ABOUT THE SPEAKER
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives.

Why you should listen

Jeremy Howard is the CEO of Enlitic, an advanced machine learning company in San Francisco. Previously, he was the president and chief scientist at Kaggle, a community and competition platform of over 200,000 data scientists. Howard is a faculty member at Singularity University, where he teaches data science. He is also a Young Global Leader with the World Economic Forum, and spoke at the World Economic Forum Annual Meeting 2014 on "Jobs for the Machines."

Howard advised Khosla Ventures as their Data Strategist, identifying opportunities for investing in data-driven startups and mentoring portfolio companies to build data-driven businesses. He was the founding CEO of two successful Australian startups, FastMail and Optimal Decisions Group.

More profile about the speaker
Jeremy Howard | Speaker | TED.com
TEDxBrussels

Jeremy Howard: The wonderful and terrifying implications of computers that can learn

ג'רמי הווארד: ההשלכות הנפלאות והמבעיתות של מה שמחשבים יכולים ללמוד

Filmed:
2,532,971 views

מה קורה כאשר אנו מלמדים מחשב איך ללמוד? הטכנולוג ג'רמי הווארד חולק כמה פיתוחים חדשים ומפתיעים בתחום המתקדם במהירות של למידה עמוקה, טכניקה שיכולה להעניק למחשבים את היכולת ללמוד סינית, או לזהות חפצים בתמונות, או לעזור לגבש אבחנה רפואית. (כלי אחד של למידה עמוקה, אחרי צפייה של שעות ביוטיוב, לימד את עצמו את הקונספט של "חתולים".) בואו להיות מרותקים לתחום שישנה את הדרך בה המחשבים שסביבכם מתנהגים... מוקדם מכפי שאתם מצפים.
- Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio

Double-click the English transcript below to play the video.

00:12
It used to be that if you wanted
to get a computerמַחשֵׁב to do something newחָדָשׁ,
0
880
4013
פעם, אם רצית לגרום למחשב לעשות משהו חדש
00:16
you would have to programתָכְנִית it.
1
4893
1554
היית צריך לתכנת אותו.
00:18
Now, programmingתִכנוּת, for those of you here
that haven'tלא doneבוצע it yourselfעַצמְךָ,
2
6447
3411
כעת, תכנות, למי מכם
שלא עשו זאת בעצמם,
דורש לפרוש בפירוט מייגע
00:21
requiresדורש layingשוכב out in excruciatingמתסכל detailפרט
3
9858
3502
כל צעד וצעד שאתה רוצה שהמחשב יעשה
00:25
everyכֹּל singleיחיד stepשלב that you want
the computerמַחשֵׁב to do
4
13360
3367
על מנת להשיג את המטרה שלך.
00:28
in orderלהזמין to achieveלְהַשִׂיג your goalמטרה.
5
16727
2362
כעת, אם אתה רוצה לעשות משהו
שאתה לא יודע איך לעשות בעצמך,
00:31
Now, if you want to do something
that you don't know how to do yourselfעַצמְךָ,
6
19089
3496
אז זה הולך להיות אתגר רציני.
00:34
then this is going
to be a great challengeאתגר.
7
22585
2063
אז זה היה האתגר שעמד בפני
האיש הזה, ארתור סמואל.
00:36
So this was the challengeאתגר facedפנים
by this man, Arthurארתור Samuelסמואל.
8
24648
3483
ב-1956, הוא רצה לגרום למחשב הזה
00:40
In 1956, he wanted to get this computerמַחשֵׁב
9
28131
4077
להיות מסוגל להביס אותו בדמקה.
00:44
to be ableיכול to beatלהיות ב him at checkersדַמקָה.
10
32208
2340
איך אתה יכול לכתוב תוכנה,
00:46
How can you writeלִכתוֹב a programתָכְנִית,
11
34548
2040
לפרוש בפירוט מייגע,
איך להיות יותר טוב ממך בדמקה?
00:48
layלְהַנִיחַ out in excruciatingמתסכל detailפרט,
how to be better than you at checkersדַמקָה?
12
36588
3806
אז הוא הגה רעיון:
00:52
So he cameבא up with an ideaרַעְיוֹן:
13
40394
1722
הוא נתן למחשב לשחק
נגד עצמו אלפי פעמים
00:54
he had the computerמַחשֵׁב playלְשַׂחֵק
againstמול itselfעצמה thousandsאלפים of timesפִּי
14
42116
3724
00:57
and learnלִלמוֹד how to playלְשַׂחֵק checkersדַמקָה.
15
45840
2524
וללמוד איך לשחק דמקה.
ואכן זה עבד, ולמעשה עד 1962,
01:00
And indeedאכן it workedעבד,
and in factעוּבדָה, by 1962,
16
48364
3180
המחשב הזה ניצח את האלוף של קונטיקט.
01:03
this computerמַחשֵׁב had beatenמוּכֶּה
the Connecticutקונטיקט stateמדינה championאַלוּף.
17
51544
4017
אז ארתור סמואל היה אבי הלמידה החישובית.
01:07
So Arthurארתור Samuelסמואל was
the fatherאַבָּא of machineמְכוֹנָה learningלְמִידָה,
18
55561
2973
ואני חב לו חוב ענק.
01:10
and I have a great debtחוֹב to him,
19
58534
1717
בגלל שאני עוסק בלמידה חישובית.
01:12
because I am a machineמְכוֹנָה
learningלְמִידָה practitionerעוֹסֵק.
20
60251
2763
הייתי הנשיא של קאגל,
01:15
I was the presidentנָשִׂיא of Kaggleקאגלי,
21
63014
1465
קהילה שמונה מעל 200,000 אנשים
שעוסקים בלמידה חישובית.
01:16
a communityהקהילה of over 200,000
machineמְכוֹנָה learningלְמִידָה practictionersמתרגלים.
22
64479
3388
קאגל מארגנת תחרויות
01:19
Kaggleקאגלי putsמעמיד up competitionsתחרויות
23
67867
2058
01:21
to try and get them to solveלִפְתוֹר
previouslyקוֹדֶם unsolvedלא פתור problemsבעיות,
24
69925
3708
לנסות ולגרום להם לפתור
בעיות שלא נפתרו עד כה,
וזו הייתה הצלחה מאות פעמים.
01:25
and it's been successfulמוּצלָח
hundredsמאות of timesפִּי.
25
73633
3837
אז מתצפית מנקודת יתרון זו,
הצלחתי לגלות
01:29
So from this vantageיִתרוֹן pointנְקוּדָה,
I was ableיכול to find out
26
77470
2470
הרבה על מה שלמידה חישובית
יכולה לעשות בעבר, לעשות היום,
01:31
a lot about what machineמְכוֹנָה learningלְמִידָה
can do in the pastעבר, can do todayהיום,
27
79940
3950
ומה היא יכולה לעשות בעתיד.
01:35
and what it could do in the futureעתיד.
28
83890
2362
אולי ההצלחה הגדולה הראשונה של
למידה חישובית באופן מסחרי הייתה גוגל.
01:38
Perhapsאוּלַי the first bigגָדוֹל successהַצלָחָה of
machineמְכוֹנָה learningלְמִידָה commerciallyמסחרית was GoogleGoogle.
29
86252
4423
גוגל הראתה שזה אפשרי למצוא מידע
01:42
GoogleGoogle showedparagraphs that it is
possibleאפשרי to find informationמֵידָע
30
90675
3109
על ידי שימוש באלגוריתם ממוחשב,
01:45
by usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני a computerמַחשֵׁב algorithmאַלגוֹרִיתְם,
31
93784
1752
01:47
and this algorithmאַלגוֹרִיתְם is basedמבוסס
on machineמְכוֹנָה learningלְמִידָה.
32
95536
2901
והאלגוריתם הזה
מבוסס על למידה חישובית.
מאז, היו הרבה הצלחות מסחריות
של למידה ממוחשבת.
01:50
Sinceמאז that time, there have been manyרב
commercialמִסְחָרִי successesהצלחות of machineמְכוֹנָה learningלְמִידָה.
33
98437
3886
חברות כמו אמזון ונטפליקס
01:54
Companiesחברות like Amazonאֲמָזוֹנָה and Netflixנטפליקס
34
102323
1837
01:56
use machineמְכוֹנָה learningלְמִידָה to suggestלְהַצִיעַ
productsמוצרים that you mightאולי like to buyלִקְנוֹת,
35
104160
3716
משתמשות בלמידה חישובית
כדי להציע מוצרים שאולי תרצה לקנות,
סרטים שאולי תרצה לראות.
01:59
moviesסרטים that you mightאולי like to watch.
36
107876
2020
לפעמים, זה כמעט מפחיד.
02:01
Sometimesלִפְעָמִים, it's almostכִּמעַט creepyמְצַמרֵר.
37
109896
1807
חברות כמו לינקדאין ופייסבוק
02:03
Companiesחברות like LinkedInLinkedIn and Facebookפייסבוק
38
111703
1954
לפעמים אומרות לך מי
עשויים להיות החברים שלך
02:05
sometimesלִפְעָמִים will tell you about
who your friendsחברים mightאולי be
39
113657
2594
ואין לך מושג איך הן עשו את זה,
02:08
and you have no ideaרַעְיוֹן how it did it,
40
116251
1977
02:10
and this is because it's usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני
the powerכּוֹחַ of machineמְכוֹנָה learningלְמִידָה.
41
118228
2967
וזה בגלל שהן משתמשות בכוחה
של הלמידה החישובית.
02:13
These are algorithmsאלגוריתמים that have
learnedמְלוּמָד how to do this from dataנתונים
42
121195
2957
אלו הם אלגוריתמים שלמדו
איך לעשות זאת מנתונים
02:16
ratherבמקום than beingלהיות programmedאלחוטי by handיד.
43
124152
3247
במקום להיות מתוכנתות לעשות
זאת באופן ידני.
02:19
This is alsoגַם how IBMיבמ was successfulמוּצלָח
44
127399
2478
כך גם IBM הצליחה
02:21
in gettingמקבל Watsonווטסון to beatלהיות ב
the two worldעוֹלָם championsאלופים at "Jeopardyסַכָּנָה,"
45
129877
3862
לגרום לווטסון להביס
את שני אלופי העולם ב"ג'פרדי",
02:25
answeringעונה incrediblyבצורה מדהימה subtleעָדִין
and complexמורכב questionsשאלות like this one.
46
133739
3225
ולענות על שאלות עדינות ומורכבות
להפליא כמו זאת:
02:28
["The ancientעָתִיק 'Lion'אַריֵה of Nimrud'Nimrud ' wentהלך missingחָסֵר
from this city'sעיר nationalלאומי museumמוּזֵיאוֹן in 2003
(alongלְאוֹרֶך with a lot of other stuffדברים)"]
47
136964
2835
["ה'אריה של נמרוד' העתיק נעלם מהמוזיאון
הלאומי של העיר הזאת ב-2003 (יחד עם עוד הרבה דברים)"]
02:31
This is alsoגַם why we are now ableיכול
to see the first self-drivingנהיגה עצמית carsמכוניות.
48
139799
3235
זו גם הסיבה בגללה אנו עכשיו
רואים את המכוניות הראשונות שנוהגות לבד.
02:35
If you want to be ableיכול to tell
the differenceהֶבדֵל betweenבֵּין, say,
49
143034
2822
אם אתם רוצים להיות מסוגלים
להבחין בין, למשל,
02:37
a treeעֵץ and a pedestrianהולכי רגל,
well, that's prettyיפה importantחָשׁוּב.
50
145856
2632
עץ והולך רגל, ובכן,
זה די חשוב.
02:40
We don't know how to writeלִכתוֹב
those programsתוכניות by handיד,
51
148488
2587
אנחנו לא יודעים איך לכתוב
את התוכנות הללו באופן ידני,
02:43
but with machineמְכוֹנָה learningלְמִידָה,
this is now possibleאפשרי.
52
151075
2997
אך עם למידה חישובית,
זה אפשרי כעת.
02:46
And in factעוּבדָה, this carאוטו has drivenמוּנָע
over a millionמִילִיוֹן milesstomach
53
154072
2608
ולמעשה, המכונית הזו נסעה מעל
מיליון מיילים
02:48
withoutלְלֹא any accidentsתאונות on regularרגיל roadsכבישים.
54
156680
3506
ללא אף תאונה בכבישים רגילים.
02:52
So we now know that computersמחשבים can learnלִלמוֹד,
55
160196
3914
אז אנחנו יודעים שמחשבים יכולים ללמוד,
02:56
and computersמחשבים can learnלִלמוֹד to do things
56
164110
1900
ומחשבים יכולים ללמוד לעשות דברים
02:58
that we actuallyלמעשה sometimesלִפְעָמִים
don't know how to do ourselvesבְּעָצמֵנוּ,
57
166010
2838
שאנחנו למעשה לפעמים
לא יודעים לעשות בעצמנו,
03:00
or maybe can do them better than us.
58
168848
2885
או אולי יכולים לעשות אותם יותר טוב מאיתנו.
03:03
One of the mostרוב amazingמדהים examplesדוגמאות
I've seenלראות of machineמְכוֹנָה learningלְמִידָה
59
171733
4195
אחת מהדוגמאות המדהימות ביותר
שראיתי ללמידה חישובית
03:07
happenedקרה on a projectפּרוֹיֶקט that I ranרץ at Kaggleקאגלי
60
175928
2392
קרתה בפרוייקט שהובלתי בקאגל
03:10
where a teamקְבוּצָה runלָרוּץ by a guy
calledשקוראים לו Geoffreyג'פרי Hintonהינטון
61
178320
3591
שבו צוות שהובל על ידי
בחור בשם ג'פרי הינטון
03:13
from the Universityאוּנִיבֶרְסִיטָה of Torontoטורונטו
62
181911
1552
מאוניברסיטת טורונטו
03:15
wonזכית a competitionתַחֲרוּת for
automaticאוֹטוֹמָטִי drugתְרוּפָה discoveryתַגלִית.
63
183463
2677
זכה בתחרות על
פיתוח תרופות אוטומטי.
03:18
Now, what was extraordinaryיוצא דופן here
is not just that they beatלהיות ב
64
186140
2847
כעת, מה שמדהים פה זה לא רק שהם ניצחו
03:20
all of the algorithmsאלגוריתמים developedמפותח by MerckMerck
or the internationalבינלאומי academicאקדמי communityהקהילה,
65
188987
4013
את כל האלגוריתמים שפותחו על ידי מרק
או קהילת האקדמיה העולמית,
03:25
but nobodyאף אחד on the teamקְבוּצָה had any backgroundרקע כללי
in chemistryכִּימִיָה or biologyביולוגיה or life sciencesמדעים,
66
193000
5061
אלא שלאף אחד בצוות לא היה רקע
בכימיה, ביולוגיה או מדעי החיים,
03:30
and they did it in two weeksשבועות.
67
198061
2169
והם עשו זאת בשבועיים.
03:32
How did they do this?
68
200230
1381
איך הם עשו זאת?
03:34
They used an extraordinaryיוצא דופן algorithmאַלגוֹרִיתְם
calledשקוראים לו deepעָמוֹק learningלְמִידָה.
69
202421
2921
הם השתמשו באלגוריתם
יוצא דופן שנקרא למידה עמוקה.
03:37
So importantחָשׁוּב was this that in factעוּבדָה
the successהַצלָחָה was coveredמְכוּסֶה
70
205342
2949
זה היה כל כך חשוב
שההצלחה סוקרה
03:40
in The Newחָדָשׁ Yorkיורק Timesפִּי in a frontחֲזִית pageעמוד
articleמאמר a fewמְעַטִים weeksשבועות laterיותר מאוחר.
71
208291
3121
בניו יורק טיימס במאמר בעמוד הראשי
כמה שבועות לאחר מכן.
03:43
This is Geoffreyג'פרי Hintonהינטון
here on the left-handיד שמאל sideצַד.
72
211412
2735
זה ג'פרי הינטון
כאן משמאל.
03:46
Deepעָמוֹק learningלְמִידָה is an algorithmאַלגוֹרִיתְם
inspiredבהשראה by how the humanבן אנוש brainמוֹחַ worksעובד,
73
214147
4341
למידה עמוקה הוא אלגוריתם
ששואב השראה מהמוח האנושי,
03:50
and as a resultתוֹצָאָה it's an algorithmאַלגוֹרִיתְם
74
218488
1812
וכתוצאה מכך הוא אלגוריתם
03:52
whichאיזה has no theoreticalתֵאוֹרֵטִי limitationsמגבלות
on what it can do.
75
220300
3841
שאין לו מגבלות תיאורטיות
על מה שהוא מסוגל לעשות.
03:56
The more dataנתונים you give it and the more
computationחישוב time you give it,
76
224141
2823
ככל שנותנים לו יותר נתונים וזמן חישוב,
03:58
the better it getsמקבל.
77
226964
1312
כך הוא משתפר.
04:00
The Newחָדָשׁ Yorkיורק Timesפִּי alsoגַם
showedparagraphs in this articleמאמר
78
228276
2339
הניו יורק טיימס גם
הראה במאמר הזה
04:02
anotherאַחֵר extraordinaryיוצא דופן
resultתוֹצָאָה of deepעָמוֹק learningלְמִידָה
79
230615
2242
תוצאה מדהימה נוספת
של למידה חישובית
04:04
whichאיזה I'm going to showלְהַצִיג you now.
80
232857
2712
שאני הולך להראות לכם כעת.
04:07
It showsמופעים that computersמחשבים
can listen and understandמבין.
81
235569
4941
הם מראים שמחשבים יכולים
להקשיב ולהבין.
04:12
(Videoוִידֵאוֹ) Richardריצ'רד Rashidרשיד: Now, the last stepשלב
82
240510
2711
(וידאו) ריצ'רד ראשיד: עכשיו, הצעד האחרון
04:15
that I want to be ableיכול
to take in this processתהליך
83
243221
3025
שאני רוצה להיות מסוגל לבצע בתהליך הזה
04:18
is to actuallyלמעשה speakלְדַבֵּר to you in Chineseסִינִית.
84
246246
4715
הוא למעשה לדבר אליכם בסינית.
04:22
Now the keyמַפְתֵחַ thing there is,
85
250961
2635
עכשיו המפתח פה,
04:25
we'veיש לנו been ableיכול to take a largeגָדוֹל amountכמות
of informationמֵידָע from manyרב Chineseסִינִית speakersרמקולים
86
253596
5002
הוא שהצלחנו לקחת כמות גדולה
של מידע מהרבה דוברי סינית
04:30
and produceליצר a text-to-speechטקסט לדיבור systemמערכת
87
258598
2530
ולייצר מערכת של טקסט-לדיבור
04:33
that takes Chineseסִינִית textטֶקסט
and convertsממירים it into Chineseסִינִית languageשפה,
88
261128
4673
שלוקחת טקסט בסינית
והופכת אותו לשפה סינית,
04:37
and then we'veיש לנו takenנלקח
an hourשָׁעָה or so of my ownשֶׁלוֹ voiceקוֹל
89
265801
4128
ואז לקחנו כשעה של הקול שלי
04:41
and we'veיש לנו used that to modulateלְוַסֵת
90
269929
1891
והשתמשנו בזה כדי להתאים
04:43
the standardתֶקֶן text-to-speechטקסט לדיבור systemמערכת
so that it would soundנשמע like me.
91
271820
4544
את המערכת הסטנדרטית של טקסט-לדיבור
כך שהיא תישמע כמוני.
04:48
Again, the result'sתוצאות not perfectמושלם.
92
276364
2540
שוב, התוצאה לא מושלמת.
04:50
There are in factעוּבדָה quiteדַי a fewמְעַטִים errorsשגיאות.
93
278904
2648
יש למעשה די הרבה שגיאות.
04:53
(In Chineseסִינִית)
94
281552
2484
(בסינית)
04:56
(Applauseתְשׁוּאוֹת)
95
284036
3367
(מחיאות כפיים)
05:01
There's much work to be doneבוצע in this areaאֵזוֹר.
96
289446
3576
יש הרבה עבודה לעשות בתחום הזה.
05:05
(In Chineseסִינִית)
97
293022
3645
(סינית)
05:08
(Applauseתְשׁוּאוֹת)
98
296667
3433
(מחיאות כפיים)
05:13
Jeremyג'רמי Howardהווארד: Well, that was at
a machineמְכוֹנָה learningלְמִידָה conferenceוְעִידָה in Chinaסין.
99
301345
3399
(ג'רמי הווארד:) ובכן, זה היה בכנס
למידה חישובית בסין.
05:16
It's not oftenלעתים קרובות, actuallyלמעשה,
at academicאקדמי conferencesכנסים
100
304744
2370
זה די נדיר, למעשה, בכנסים אקדמאים
05:19
that you do hearלִשְׁמוֹעַ spontaneousספּוֹנטָנִי applauseתְשׁוּאוֹת,
101
307114
1897
לשמוע מחיאות כפיים ספונטניות,
05:21
althoughלמרות ש of courseקוּרס sometimesלִפְעָמִים
at TEDxTEDx conferencesכנסים, feel freeחופשי.
102
309011
3676
למרות שכמובן לפעמים
בכנסים של TEDx, הרגישו חופשי.
05:24
Everything you saw there
was happeningמתרחש with deepעָמוֹק learningלְמִידָה.
103
312687
2795
כל מה שראיתם שם קרה עם למידה עמוקה.
05:27
(Applauseתְשׁוּאוֹת) Thank you.
104
315482
1525
(מחיאות כפיים)
תודה.
05:29
The transcriptionתַעֲתוּק in Englishאנגלית
was deepעָמוֹק learningלְמִידָה.
105
317007
2282
התמלול לאנגלית היה למידה עמוקה.
05:31
The translationתִרגוּם to Chineseסִינִית and the textטֶקסט
in the topחלק עליון right, deepעָמוֹק learningלְמִידָה,
106
319289
3412
התרגום לסינית והטקסט
מימין למעלה- למידה עמוקה.
05:34
and the constructionבְּנִיָה of the voiceקוֹל
was deepעָמוֹק learningלְמִידָה as well.
107
322701
3307
והבניה של הקול היתה למידה עמוקה גם כן.
05:38
So deepעָמוֹק learningלְמִידָה is
this extraordinaryיוצא דופן thing.
108
326008
3234
אז למידה עמוקה היא דבר מדהים.
05:41
It's a singleיחיד algorithmאַלגוֹרִיתְם that
can seemנראה to do almostכִּמעַט anything,
109
329242
3099
זה אלגוריתם יחיד שיכול לעשות כמעט הכל.
05:44
and I discoveredגילה that a yearשָׁנָה earlierמוקדם יותר,
it had alsoגַם learnedמְלוּמָד to see.
110
332341
3111
וגיליתי ששנה קודם לכן,
הוא גם למד לראות.
05:47
In this obscureמְעוּרפָּל competitionתַחֲרוּת from Germanyגֶרמָנִיָה
111
335452
2176
בתחרות לא מוכרת בגרמניה
05:49
calledשקוראים לו the Germanגֶרמָנִיָת Trafficתְנוּעָה Signסִימָן
Recognitionהַכָּרָה Benchmarkבנצ'מרק,
112
337628
2597
בשם הבוחן הגרמני לביצועי זיהוי שלטי תנועה
05:52
deepעָמוֹק learningלְמִידָה had learnedמְלוּמָד
to recognizeלזהות trafficתְנוּעָה signsשלטים like this one.
113
340225
3393
למידה עמוקה למדה לזהות
שלטי תנועה כמו זה
05:55
Not only could it
recognizeלזהות the trafficתְנוּעָה signsשלטים
114
343618
2094
היא לא רק זיהתה את השלטים
05:57
better than any other algorithmאַלגוֹרִיתְם,
115
345712
1758
יותר טוב מכל אלגוריתם אחר,
05:59
the leaderboardleaderboard actuallyלמעשה showedparagraphs
it was better than people,
116
347470
2719
לוח התוצאות ממש הראה שהיא
יותר טובה מאנשים,
06:02
about twiceפעמיים as good as people.
117
350189
1852
בערך פי 2 יותר טוב מאנשים.
06:04
So by 2011, we had the first exampleדוגמא
118
352041
1996
אז עד 2011, היתה לנו את הדוגמה הראשונה
06:06
of computersמחשבים that can see
better than people.
119
354037
3405
למחשבים שיכולים לראות יותר טוב מאנשים.
06:09
Sinceמאז that time, a lot has happenedקרה.
120
357442
2049
מאז, הרבה התרחש.
06:11
In 2012, GoogleGoogle announcedהודיעה that
they had a deepעָמוֹק learningלְמִידָה algorithmאַלגוֹרִיתְם
121
359491
3514
ב-2012, גוגל הכריזה שהיא
נתנה לאלגוריתם למידה עמוקה
06:15
watch YouTubeYouTube videosסרטונים
122
363005
1415
לצפות בסרטוני יוטיוב
06:16
and crunchedמעוך the dataנתונים
on 16,000 computersמחשבים for a monthחוֹדֶשׁ,
123
364420
3437
והם עבדו על הנתונים על 16,000
מחשבים למשך חודש,
06:19
and the computerמַחשֵׁב independentlyבאופן עצמאי learnedמְלוּמָד
about conceptsמושגים suchכגון as people and catsחתולים
124
367857
4361
והמחשב למד באופן עצמאי על
מושגים כמו אנשים וחתולים
06:24
just by watchingצופה the videosסרטונים.
125
372218
1809
רק מצפייה בסרטונים.
06:26
This is much like the way
that humansבני אנוש learnלִלמוֹד.
126
374027
2352
זה מאוד דומה לדרך בה אנשים לומדים.
06:28
Humansבני אנוש don't learnלִלמוֹד
by beingלהיות told what they see,
127
376379
2740
בני אדם לא לומדים על ידי כך
שאומרים להם מה הם רואים,
06:31
but by learningלְמִידָה for themselvesעצמם
what these things are.
128
379119
3331
אלא על ידי למידה עצמאית
של מהם אותם דברים.
06:34
Alsoגַם in 2012, Geoffreyג'פרי Hintonהינטון,
who we saw earlierמוקדם יותר,
129
382450
3369
גם ב-2012, ג'פרי הינטון,
שראינו קודם,
06:37
wonזכית the very popularפופולרי ImageNetתמונה competitionתַחֲרוּת,
130
385819
2858
ניצח בתחרות אימג'נט המאוד פופולרית,
06:40
looking to try to figureדמות out
from one and a halfחֲצִי millionמִילִיוֹן imagesתמונות
131
388677
4141
שביקשה לנסות לגלות על
1.5 מיליון תמונות
06:44
what they're picturesתמונות of.
132
392818
1438
תמונות של מה הן.
06:46
As of 2014, we're now down
to a sixשֵׁשׁ percentאָחוּז errorשְׁגִיאָה rateציון
133
394256
3533
נכון ל-2014, ירדנו
לשיעור שגיאות של 6%
06:49
in imageתמונה recognitionהַכָּרָה.
134
397789
1453
בזיהוי תמונה.
06:51
This is better than people, again.
135
399242
2026
זה יותר טוב מאנשים, שוב.
06:53
So machinesמכונה really are doing
an extraordinarilyבאופן יוצא דופן good jobעבודה of this,
136
401268
3769
אז מכונות באמת עושות עבודה מצויינת בכך,
06:57
and it is now beingלהיות used in industryתַעֲשִׂיָה.
137
405037
2269
וזה עכשיו נכנס לשימוש בתעשייה.
06:59
For exampleדוגמא, GoogleGoogle announcedהודיעה last yearשָׁנָה
138
407306
3042
למשל, גוגל הכריזה בשנה שעברה
07:02
that they had mappedממופה everyכֹּל singleיחיד
locationמקום in Franceצָרְפַת in two hoursשעות,
139
410348
4585
שהם מיפו כל מיקום ומיקום בצרפת תוך שעתיים,
07:06
and the way they did it was
that they fedהאכיל streetרְחוֹב viewנוף imagesתמונות
140
414933
3447
והדרך בה הם עשו זאת היתה
הזנת תמונות רחוב
07:10
into a deepעָמוֹק learningלְמִידָה algorithmאַלגוֹרִיתְם
to recognizeלזהות and readלקרוא streetרְחוֹב numbersמספרים.
141
418380
4319
לאלגוריתם למידה עמוקה
שיזהה ויקרא מספרי רחובות.
07:14
Imagineלדמיין how long
it would have takenנלקח before:
142
422699
2220
דמיינו כמה זמן זה היה לוקח בעבר:
07:16
dozensעשרות of people, manyרב yearsשנים.
143
424919
3355
עשרות אנשים, שנים רבות.
07:20
This is alsoגַם happeningמתרחש in Chinaסין.
144
428274
1911
זה גם קורה בסין.
07:22
Baiduבאידו is kindסוג of
the Chineseסִינִית GoogleGoogle, I guessלְנַחֵשׁ,
145
430185
4036
באידו הוא סוג של
הגוגל הסיני, אני מניח.
07:26
and what you see here in the topחלק עליון left
146
434221
2283
ומה שרואים כאן בשמאל למעלה
07:28
is an exampleדוגמא of a pictureתְמוּנָה that I uploadedהועלה
to Baidu'sשל באידו deepעָמוֹק learningלְמִידָה systemמערכת,
147
436504
3974
הוא דוגמה לתמונה שאני העליתי
למערכת הלמידה העמוקה של באידו,
07:32
and underneathמתחת you can see that the systemמערכת
has understoodהבין what that pictureתְמוּנָה is
148
440478
3769
ומתחת אפשר לראות שהמערכת הבינה מה התמונה
07:36
and foundמצאתי similarדוֹמֶה imagesתמונות.
149
444247
2236
ומצאה תמונות דומות.
07:38
The similarדוֹמֶה imagesתמונות actuallyלמעשה
have similarדוֹמֶה backgroundsרקעים,
150
446483
2736
לתמונות הדומות למעשה יש רקעים דומים,
07:41
similarדוֹמֶה directionsכיוונים of the facesפרצופים,
151
449219
1658
כיווני פרצופים דומים,
07:42
even some with theirשֶׁלָהֶם tongueלָשׁוֹן out.
152
450877
1788
אפילו כמה עם הלשון בחוץ.
07:44
This is not clearlyבְּבִירוּר looking
at the textטֶקסט of a webאינטרנט pageעמוד.
153
452665
3030
זה לא להסתכל על טקסט של דף אינטרנט.
07:47
All I uploadedהועלה was an imageתמונה.
154
455695
1412
כל מה שאני העליתי היה תמונה.
07:49
So we now have computersמחשבים whichאיזה
really understandמבין what they see
155
457107
4021
אז כעת יש לנו מחשבים שבאמת
מבינים מה הם רואים
07:53
and can thereforeלכן searchחפש databasesמאגרי מידע
156
461128
1624
ולכן יכולים לחפש במאגרי מידע
07:54
of hundredsמאות of millionsמיליונים
of imagesתמונות in realאמיתי time.
157
462752
3554
של מאות מיליוני תמונות בזמן אמת.
07:58
So what does it mean
now that computersמחשבים can see?
158
466306
3230
אז מה זה אומר
עכשיו שמחשבים יכולים לראות?
08:01
Well, it's not just
that computersמחשבים can see.
159
469536
2017
ובכן, זה לא רק
שמחשבים יכולים לראות.
08:03
In factעוּבדָה, deepעָמוֹק learningלְמִידָה
has doneבוצע more than that.
160
471553
2069
למעשה, למידה עמוקה
עשתה יותר מכך.
08:05
Complexמורכב, nuancedניואנס sentencesמשפטים like this one
161
473622
2948
משפטים מורכבים עם ניואנסים, כמו זה
08:08
are now understandableמובן
with deepעָמוֹק learningלְמִידָה algorithmsאלגוריתמים.
162
476570
2824
הם כעת מובנים בעזרת
אלגוריתמים של למידה עמוקה.
08:11
As you can see here,
163
479394
1303
כמו שאתם רואים פה,
08:12
this Stanford-basedסטנפורד מבוסס systemמערכת
showingמראה the redאָדוֹם dotנְקוּדָה at the topחלק עליון
164
480697
2768
המערכת הזו שמבוססת בסטנפורד
שמראה את הנקודה האדומה למעלה
08:15
has figuredמְעוּטָר out that this sentenceמשפט
is expressingמֵבִּיעַ negativeשלילי sentimentרֶגֶשׁ.
165
483465
3919
הבינה שהמשפט הזה מבטא רגש שלילי.
08:19
Deepעָמוֹק learningלְמִידָה now in factעוּבדָה
is nearליד humanבן אנוש performanceביצועים
166
487384
3406
למידה עמוקה היא כעת למעשה
כמעט ברמה של בן אדם
08:22
at understandingהֲבָנָה what sentencesמשפטים are about
and what it is sayingפִּתגָם about those things.
167
490802
5121
בלהבין על מה משפטים מדברים
ומה הם אומרים על אותם דברים.
08:27
Alsoגַם, deepעָמוֹק learningלְמִידָה has
been used to readלקרוא Chineseסִינִית,
168
495923
2728
בנוסף, עשו שימוש בלמידה עמוקה
לקריאת סינית,
08:30
again at about nativeיָלִיד
Chineseסִינִית speakerרַמקוֹל levelרָמָה.
169
498651
3156
שוב, בערך ברמה של דובר סינית מלידה.
08:33
This algorithmאַלגוֹרִיתְם developedמפותח
out of Switzerlandשוויץ
170
501807
2168
האלגוריתם הזה שפותח בשוויץ
08:35
by people, noneאף אחד of whomמִי speakלְדַבֵּר
or understandמבין any Chineseסִינִית.
171
503975
3356
על ידי אנשים שאף אחד
מהם לא דובר או מבין סינית.
08:39
As I say, usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני deepעָמוֹק learningלְמִידָה
172
507331
2051
כמו שאמרתי, שימוש בלמידה עמוקה
08:41
is about the bestהטוב ביותר systemמערכת
in the worldעוֹלָם for this,
173
509382
2219
היא בערך המערכת הכי טובה
בעולם לשם כך,
08:43
even comparedבהשוואה to nativeיָלִיד
humanבן אנוש understandingהֲבָנָה.
174
511601
5117
אפילו בהשוואה
להבנה אנושית.
08:48
This is a systemמערכת that we
put togetherיַחַד at my companyחֶברָה
175
516718
2964
זוהי מערכת אותה אנו בונים בחברה שלי
08:51
whichאיזה showsמופעים puttingלשים
all this stuffדברים togetherיַחַד.
176
519682
2046
שמראה איך מחברים את כל הדברים האלה.
08:53
These are picturesתמונות whichאיזה
have no textטֶקסט attachedמְצוֹרָף,
177
521728
2461
אלו תמונות להן לא מצורף טקסט,
08:56
and as I'm typingהקלדה in here sentencesמשפטים,
178
524189
2352
וכשאני מקליד את המשפטים האלה כאן,
08:58
in realאמיתי time it's understandingהֲבָנָה
these picturesתמונות
179
526541
2969
בזמן אמת זה מבין את התמונות האלו
09:01
and figuringלהבין out what they're about
180
529510
1679
ומבין על מה הן
09:03
and findingמִמצָא picturesתמונות that are similarדוֹמֶה
to the textטֶקסט that I'm writingכְּתִיבָה.
181
531189
3163
ומבין שהתמונות דומות לטקסט שאני כותב.
09:06
So you can see, it's actuallyלמעשה
understandingהֲבָנָה my sentencesמשפטים
182
534352
2756
אז אתם רואים, זה למעשה
מבין את המשפטים שלי
09:09
and actuallyלמעשה understandingהֲבָנָה these picturesתמונות.
183
537108
2224
וממש מבין את התמונות הללו.
09:11
I know that you've seenלראות
something like this on GoogleGoogle,
184
539332
2559
אני יודע שראיתם משהו דומה בגוגל,
09:13
where you can typeסוּג in things
and it will showלְהַצִיג you picturesתמונות,
185
541891
2775
שבו אפשר להקליד דברים
וזה מראה לך תמונות,
09:16
but actuallyלמעשה what it's doing is it's
searchingמחפש the webpageעמוד אינטרנט for the textטֶקסט.
186
544666
3424
אבל למעשה מה שזה עושה זה
לחפש בדף האינטרנט אחר טקסט.
09:20
This is very differentשונה from actuallyלמעשה
understandingהֲבָנָה the imagesתמונות.
187
548090
3001
זה מאוד שונה מאשר ממש להבין את התמונות.
09:23
This is something that computersמחשבים
have only been ableיכול to do
188
551091
2752
זה משהו שמחשבים
היו מסוגלים לעשות
09:25
for the first time in the last fewמְעַטִים monthsחודשים.
189
553843
3248
בפעם הראשונה רק בחודשים האחרונים.
09:29
So we can see now that computersמחשבים
can not only see but they can alsoגַם readלקרוא,
190
557091
4091
אז אנו רואים עכשיו שמחשבים
יכולים לא רק לראות אלא גם לקרוא,
09:33
and, of courseקוּרס, we'veיש לנו shownמוצג that they
can understandמבין what they hearלִשְׁמוֹעַ.
191
561182
3765
וכמובן, הראינו שהם יכולים
להבין את מה שהם שומעים.
09:36
Perhapsאוּלַי not surprisingמַפתִיעַ now that
I'm going to tell you they can writeלִכתוֹב.
192
564947
3442
אולי זה לא מפתיע כעת
שאני עומד לספר לכם שהם יכולים לכתוב.
09:40
Here is some textטֶקסט that I generatedשנוצר
usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני a deepעָמוֹק learningלְמִידָה algorithmאַלגוֹרִיתְם yesterdayאתמול.
193
568389
4783
הנה טקסט שייצרתי
על ידי אלגוריתם למידה עמוקה אתמול.
09:45
And here is some textטֶקסט that an algorithmאַלגוֹרִיתְם
out of Stanfordסטנפורד generatedשנוצר.
194
573172
3924
והנה טקסט שאלגוריתם
מסטנפורד ייצר.
09:49
Eachכל אחד of these sentencesמשפטים was generatedשנוצר
195
577096
1764
כל אחד מהמשפטים הללו נוצר
09:50
by a deepעָמוֹק learningלְמִידָה algorithmאַלגוֹרִיתְם
to describeלְתַאֵר eachכל אחד of those picturesתמונות.
196
578860
4249
על יגי אלגוריתם למידה עמוקה
על מנת לתאר כל אחת מהתמונות האלו.
09:55
This algorithmאַלגוֹרִיתְם before has never seenלראות
a man in a blackשָׁחוֹר shirtחוּלצָה playingמשחק a guitarגִיטָרָה.
197
583109
4472
האלגוריתם הזה לא ראה לפני כן מעולם
איש בחולצה שחורה שמנגן בגיטרה.
09:59
It's seenלראות a man before,
it's seenלראות blackשָׁחוֹר before,
198
587581
2220
הוא ראה אדם בעבר,
הוא ראה שחור בעבר,
10:01
it's seenלראות a guitarגִיטָרָה before,
199
589801
1599
הוא ראה גיטרה בעבר,
10:03
but it has independentlyבאופן עצמאי generatedשנוצר
this novelרוֹמָן descriptionתיאור of this pictureתְמוּנָה.
200
591400
4294
אך הוא ייצר באופן עצמאי
את התיאור החדש של התמונה.
10:07
We're still not quiteדַי at humanבן אנוש
performanceביצועים here, but we're closeלִסְגוֹר.
201
595694
3502
אנחנו עדיין לא בדיוק ברמה אנושית כאן,
אך אנחנו קרובים.
10:11
In testsבדיקות, humansבני אנוש preferלְהַעֲדִיף
the computer-generatedמחשב שנוצר captionכּוֹתֶרֶת
202
599196
4068
במבחנים, בני אדם מעדיפים
את הכותרת המיוצרת על ידי מחשב
10:15
one out of fourארבעה timesפִּי.
203
603264
1527
אחת לכל ארבע פעמים.
10:16
Now this systemמערכת is now only two weeksשבועות oldישן,
204
604791
2064
עכשיו המערכת הזו היא רק בת שבועיים,
10:18
so probablyכנראה withinבְּתוֹך the nextהַבָּא yearשָׁנָה,
205
606855
1846
אז סביר שמתישהו בשנה הבאה,
10:20
the computerמַחשֵׁב algorithmאַלגוֹרִיתְם will be
well pastעבר humanבן אנוש performanceביצועים
206
608701
2801
האלגוריתם הממוחשב יעבור בהרבה
את היכולות האנושיות
10:23
at the rateציון things are going.
207
611502
1862
בקצב שבו דברים מתקדמים.
10:25
So computersמחשבים can alsoגַם writeלִכתוֹב.
208
613364
3049
אז מחשבים גם יכולים לכתוב.
10:28
So we put all this togetherיַחַד and it leadsמוביל
to very excitingמְרַגֵשׁ opportunitiesהזדמנויות.
209
616413
3475
אם לוקחים את כל זה יחד
זה מוביל לאפשרויות מרגשות.
10:31
For exampleדוגמא, in medicineתרופה,
210
619888
1492
למשל, ברפואה,
10:33
a teamקְבוּצָה in Bostonבוסטון announcedהודיעה
that they had discoveredגילה
211
621380
2525
צוות בבוסטון הכריז שהם גילו
10:35
dozensעשרות of newחָדָשׁ clinicallyקלינית relevantרלוונטי featuresמאפיינים
212
623905
2949
עשרות מאפיינים רלוונטיים קלינית
10:38
of tumorsגידולים whichאיזה help doctorsרופאים
make a prognosisפּרוֹגנוֹזָה of a cancerמחלת הסרטן.
213
626854
4266
של גידולים, שיכולים לעזור לרופאים
לקבל פרוגנוזה של הסרטן.
10:44
Very similarlyבאופן דומה, in Stanfordסטנפורד,
214
632220
2296
באופן דומה, בסטנפורד,
10:46
a groupקְבוּצָה there announcedהודיעה that,
looking at tissuesרקמות underתַחַת magnificationהַגדָלָה,
215
634516
3663
קבוצה הכריזה כי,
לאחר שהסתכלו על רקמות בהגדלה,
10:50
they'veהם כבר developedמפותח
a machineמְכוֹנָה learning-basedמבוסס למידה systemמערכת
216
638179
2381
הם פיתחו מערכת
מבוססת למידה חישובית
10:52
whichאיזה in factעוּבדָה is better
than humanבן אנוש pathologistsפתולוגים
217
640560
2582
שהיא למעשה טובה יותר
מפתולוגים אנושיים
10:55
at predictingניבוי survivalהישרדות ratesתעריפים
for cancerמחלת הסרטן sufferersהסובלים.
218
643142
4377
בחיזוי סיכויי הישרדות
עבור הסובלים מסרטן.
10:59
In bothשניהם of these casesבמקרים, not only
were the predictionsתחזיות more accurateמְדוּיָק,
219
647519
3245
בשני המקרים האלה, לא רק
שהתחזיות היו יותר מדוייקות,
11:02
but they generatedשנוצר newחָדָשׁ insightfulתובנה scienceמַדָע.
220
650764
2502
אלא שהן גם הפיקו מדע חדש בעל תובנות.
11:05
In the radiologyרדיולוגיה caseמקרה,
221
653276
1505
במקרה של הרדיולוגיה,
11:06
they were newחָדָשׁ clinicalקליני indicatorsאינדיקטורים
that humansבני אנוש can understandמבין.
222
654781
3095
היו אינדיקטורים קליניים חדשים
שבני אדם יכולים להבין.
11:09
In this pathologyפָּתוֹלוֹגִיָה caseמקרה,
223
657876
1792
במקרה הזה של הפתולוגיה,
11:11
the computerמַחשֵׁב systemמערכת actuallyלמעשה discoveredגילה
that the cellsתאים around the cancerמחלת הסרטן
224
659668
4500
המערכת הממוחשבת גילתה למעשה
שהתאים שסביב הסרטן
11:16
are as importantחָשׁוּב as
the cancerמחלת הסרטן cellsתאים themselvesעצמם
225
664168
3340
הם חשובים כמו תאי הסרטן עצמם
11:19
in makingהֲכָנָה a diagnosisאִבחוּן.
226
667508
1752
לאבחנה.
זה ההיפך ממה שפתולוגים
למדו במשך עשורים.
11:21
This is the oppositeמול of what pathologistsפתולוגים
had been taughtלימד for decadesעשרות שנים.
227
669260
5361
11:26
In eachכל אחד of those two casesבמקרים,
they were systemsמערכות developedמפותח
228
674621
3292
בכל אחד משני המקרים הללו,
אלו היו מערכות שפותחו
11:29
by a combinationקוֹמבִּינַצִיָה of medicalרְפוּאִי expertsמומחים
and machineמְכוֹנָה learningלְמִידָה expertsמומחים,
229
677913
3621
על ידי שילוב של מומחים רפואיים
ומומחי למידה חישובית,
11:33
but as of last yearשָׁנָה,
we're now beyondמעבר that too.
230
681534
2741
אך החל מהשנה שעברה,
אנחנו מעבר גם לכך.
11:36
This is an exampleדוגמא of
identifyingזיהוי cancerousסַרטָנִי areasאזורי
231
684275
3549
הנה דוגמה לזיהוי איזורים סרטניים
11:39
of humanבן אנוש tissueרִקמָה underתַחַת a microscopeמִיקרוֹסקוֹפּ.
232
687824
2530
ברקמה אנושית תחת מיקרוסקופ.
11:42
The systemמערכת beingלהיות shownמוצג here
can identifyלזהות those areasאזורי more accuratelyבמדויק,
233
690354
4613
המערכת שאתם רואים כאן יכולה
לזהות את אותם איזורים באופו יותר מדוייק,
11:46
or about as accuratelyבמדויק,
as humanבן אנוש pathologistsפתולוגים,
234
694967
2775
או בערך מדוייק באותה מידה,
כמו פתולוג אנושי,
11:49
but was builtבנוי entirelyלַחֲלוּטִין with deepעָמוֹק learningלְמִידָה
usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני no medicalרְפוּאִי expertiseמומחיות
235
697742
3392
אך נבנתה אך ורק על ידי
למידה עמוקה, ללא מומחיות רפואית
11:53
by people who have
no backgroundרקע כללי in the fieldשדה.
236
701134
2526
על ידי אנשים שאין להם רקע בתחום כלל.
11:56
Similarlyבאופן דומה, here, this neuronעֲצָבוֹן segmentationהִתפַּלְגוּת.
237
704730
2555
באופן דומה, כאן, הסגמנטציה של הנוירון.
11:59
We can now segmentמִגזָר neuronsנוירונים
about as accuratelyבמדויק as humansבני אנוש can,
238
707285
3668
אנו יכולים כעת לחלק נוירונים לסגמנטים
כמעט באופן מדוייק כמו בני אדם,
12:02
but this systemמערכת was developedמפותח
with deepעָמוֹק learningלְמִידָה
239
710953
2717
אך המערכת הזו פותחה
על ידי למידה עמוקה
12:05
usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני people with no previousקודם
backgroundרקע כללי in medicineתרופה.
240
713670
3251
ואנשים ללא רקע ברפואה.
12:08
So myselfעצמי, as somebodyמִישֶׁהוּ with
no previousקודם backgroundרקע כללי in medicineתרופה,
241
716921
3227
אז אני, כמישהו ללא רקע ברפואה,
12:12
I seemנראה to be entirelyלַחֲלוּטִין well qualifiedמוסמך
to startהַתחָלָה a newחָדָשׁ medicalרְפוּאִי companyחֶברָה,
242
720148
3727
נראה שאני מספיק מצוייד
להקים חברה רפואית חדשה.
12:15
whichאיזה I did.
243
723875
2146
וזה מה שעשיתי.
12:18
I was kindסוג of terrifiedמתה מפחד of doing it,
244
726021
1740
הייתי די מבועת מכך,
12:19
but the theoryתֵאוֹרִיָה seemedנראה to suggestלְהַצִיעַ
that it oughtצריך to be possibleאפשרי
245
727761
2889
אבל התיאוריה הציעה
שזה צריך להיות אפשרי
12:22
to do very usefulמוֹעִיל medicineתרופה
usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני just these dataנתונים analyticאֲנַאלִיטִי techniquesטכניקות.
246
730650
5492
לעשות רפואה שימושית
בשימוש בטכניקות אנליזת מידע בלבד.
12:28
And thankfullyתודה, the feedbackמָשׁוֹב
has been fantasticפַנטַסטִי,
247
736142
2480
ולמרבה המזל, המשוב היה פנטסנטי,
12:30
not just from the mediaכְּלֵי תִקְשׁוֹרֶת
but from the medicalרְפוּאִי communityהקהילה,
248
738622
2356
לא רק מהתקשורת
אלא גם מהקהילה הרפואית,
12:32
who have been very supportiveתומכת.
249
740978
2344
שהיו מאוד תומכים.
12:35
The theoryתֵאוֹרִיָה is that we can take
the middleאֶמצַע partחֵלֶק of the medicalרְפוּאִי processתהליך
250
743322
4149
התאוריה היא שאנחנו יכולים
לקחת את חלק הביניים של התהליך הרפואי
12:39
and turnלפנות that into dataנתונים analysisאָנָלִיזָה
as much as possibleאפשרי,
251
747471
2893
ולהפוך אותו לאנליזת מידע ככל הניתן,
12:42
leavingעֲזִיבָה doctorsרופאים to do
what they're bestהטוב ביותר at.
252
750364
3065
ולאפשר לרופאים לעשות את
מה שהם הכי טובים בו.
12:45
I want to give you an exampleדוגמא.
253
753429
1602
אני רוצה לתת לכם דוגמה.
12:47
It now takes us about 15 minutesדקות
to generateלִיצוֹר a newחָדָשׁ medicalרְפוּאִי diagnosticאבחון testמִבְחָן
254
755031
4944
כיום זה לוקח 15 דקות
לייצר מבחן דיאגנוסטי חדש
12:51
and I'll showלְהַצִיג you that in realאמיתי time now,
255
759975
1954
ואני אראה לכם זאת בזמן אמת עכשיו,
12:53
but I've compressedדָחוּס it down to
threeשְׁלוֹשָׁה minutesדקות by cuttingגְזִירָה some piecesחתיכות out.
256
761929
3487
אבל דחסתי את זה ל-3 דקות
על ידי הוצאת כמה חלקים.
12:57
Ratherבמקום זאת than showingמראה you
creatingיוצר a medicalרְפוּאִי diagnosticאבחון testמִבְחָן,
257
765416
3061
במקום להראות לכם יצירת
מבחן דיאגנוסטי רפואי חדש,
13:00
I'm going to showלְהַצִיג you
a diagnosticאבחון testמִבְחָן of carאוטו imagesתמונות,
258
768477
3369
אני הולך להראות לכם
מבחן דיאגנוסטי של תמונות של מכוניות,
13:03
because that's something
we can all understandמבין.
259
771846
2222
בגלל שזה משהו שכולנו יכולים להבין.
13:06
So here we're startingהחל with
about 1.5 millionמִילִיוֹן carאוטו imagesתמונות,
260
774068
3201
אז הנה אנחנו מתחילים עם
בערך 1.5 מיליון תמונות של מכוניות,
13:09
and I want to createלִיצוֹר something
that can splitלְפַצֵל them into the angleזָוִית
261
777269
3206
ואני רוצה ליצור משהו
שיכול לפצל אותם לזוית
13:12
of the photoתמונה that's beingלהיות takenנלקח.
262
780475
2223
שבה התמונה צולמה.
13:14
So these imagesתמונות are entirelyלַחֲלוּטִין unlabeledללא תווית,
so I have to startהַתחָלָה from scratchשריטה.
263
782698
3888
אז התמונות האלה הן לגמרי לא מתוייגות,
אז אני צריך להתחיל מאפס.
13:18
With our deepעָמוֹק learningלְמִידָה algorithmאַלגוֹרִיתְם,
264
786586
1865
בעזרת אלגוריתם הלמידה העמוקה שלנו,
13:20
it can automaticallyבאופן אוטומטי identifyלזהות
areasאזורי of structureמִבְנֶה in these imagesתמונות.
265
788451
3707
הוא יכול לזהות אוטומטית
איזורים של מבנה בתמונות אלו.
13:24
So the niceנֶחְמָד thing is that the humanבן אנוש
and the computerמַחשֵׁב can now work togetherיַחַד.
266
792158
3620
אז הדבר הנחמד הוא שהאדם
והמחשב יכולים לעבוד עתה יחד.
13:27
So the humanבן אנוש, as you can see here,
267
795778
2178
אז האדם, כמו שאתם רואים כאן,
13:29
is tellingאומר the computerמַחשֵׁב
about areasאזורי of interestריבית
268
797956
2675
אומר למחשב על איזורי עניין
13:32
whichאיזה it wants the computerמַחשֵׁב then
to try and use to improveלְשַׁפֵּר its algorithmאַלגוֹרִיתְם.
269
800631
4650
שהוא רוצה שהמחשב ינסה
להשתמש בהם לשיפור האלגוריתם.
13:37
Now, these deepעָמוֹק learningלְמִידָה systemsמערכות actuallyלמעשה
are in 16,000-dimensional-מְמַדִי spaceמֶרחָב,
270
805281
4296
כעת, מערכות הלמידה העמוקה הללו
הן למעשה בחלל בעל 16,000 מימדים,
13:41
so you can see here the computerמַחשֵׁב
rotatingמסתובב this throughדרך that spaceמֶרחָב,
271
809577
3432
אז אתם רואים כאן שהמחשב
מסובב זאת דרך המרחב הזה,
13:45
tryingמנסה to find newחָדָשׁ areasאזורי of structureמִבְנֶה.
272
813009
1992
ומנסה למצוא איזורים חדשים של מבנה.
13:47
And when it does so successfullyבְּהַצלָחָה,
273
815001
1781
וכשהוא מצליח,
האדם שנוהג בו יכול לציין את
האיזורים שמעניינים.
13:48
the humanבן אנוש who is drivingנְהִיגָה it can then
pointנְקוּדָה out the areasאזורי that are interestingמעניין.
274
816782
4004
אז הנה, המחשב מצא בהצלחה איזורים,
13:52
So here, the computerמַחשֵׁב has
successfullyבְּהַצלָחָה foundמצאתי areasאזורי,
275
820786
2422
13:55
for exampleדוגמא, anglesזוויות.
276
823208
2562
לדוגמה, זוויות.
13:57
So as we go throughדרך this processתהליך,
277
825770
1606
אז כשאנחנו מתקדמים בתהליך הזה,
13:59
we're graduallyבאופן הדרגתי tellingאומר
the computerמַחשֵׁב more and more
278
827376
2340
אנחנו בהדרגה אומרים
למחשב עוד ועוד
14:01
about the kindsמיני of structuresמבנים
we're looking for.
279
829716
2428
אודות סוגי המבנים שאנחנו מחפשים.
14:04
You can imagineלדמיין in a diagnosticאבחון testמִבְחָן
280
832144
1772
אתם יכולים לדמיין זאת במבחן דיאגנוסטי
14:05
this would be a pathologistפָּתוֹלוֹג identifyingזיהוי
areasאזורי of pathosisנתיב, for exampleדוגמא,
281
833916
3350
זה יהיה פתולוג שמזהה
איזורי מחלה, לדוגמה,
14:09
or a radiologistרדיולוג indicatingהמציין
potentiallyפוטנציאל troublesomeבעייתי nodulesגושים.
282
837266
5026
או רדיולוג שמצביע על קשריות
שיכולות להיות בעייתיות.
14:14
And sometimesלִפְעָמִים it can be
difficultקָשֶׁה for the algorithmאַלגוֹרִיתְם.
283
842292
2559
ולפעמים זה יכול להיות קשה לאלגוריתם.
14:16
In this caseמקרה, it got kindסוג of confusedמְבוּלבָּל.
284
844851
1964
במקרה הזה, הוא די התבלבל.
14:18
The frontsחזיתות and the backsגב
of the carsמכוניות are all mixedמעורב up.
285
846815
2550
החלקים הקדמיים והאחוריים
של המכוניות מעורבבים.
14:21
So here we have to be a bitbit more carefulזָהִיר,
286
849365
2072
אז כאן עלינו להיות טיפה יותר זהירים,
14:23
manuallyידנית selectingבחירה these frontsחזיתות
as opposedמִתנַגֵד to the backsגב,
287
851437
3232
ולבחור באופן ידני את החלקים הקדמיים
בניגוד לאלו האחוריים,
14:26
then tellingאומר the computerמַחשֵׁב
that this is a typeסוּג of groupקְבוּצָה
288
854669
5506
ואז להגיד למחשב שזו סוג של קבוצה
14:32
that we're interestedמעוניין in.
289
860175
1348
שאנחנו מעונינים בה.
14:33
So we do that for a while,
we skipלדלג over a little bitbit,
290
861523
2677
אז אנחנו עושים זאת למשך זמן מה,
מדלגים על קצת,
14:36
and then we trainרכבת the
machineמְכוֹנָה learningלְמִידָה algorithmאַלגוֹרִיתְם
291
864200
2246
ואז אנחנו מאמנים את אלגוריתם
הלמידה החישובית
14:38
basedמבוסס on these coupleזוּג of hundredמֵאָה things,
292
866446
1974
בהתבסס על אותם 200 דברים,
14:40
and we hopeלְקַווֹת that it's gottenקיבל a lot better.
293
868420
2025
ומקווים שהוא השתפר בהרבה.
14:42
You can see, it's now startedהתחיל to fadeלִדעוֹך
some of these picturesתמונות out,
294
870445
3073
אתם רואים, הוא התחיל להדהות
כמה מהתמונות האלו,
14:45
showingמראה us that it alreadyכְּבָר is recognizingזיהוי
how to understandמבין some of these itselfעצמה.
295
873518
4708
ומראה לנו שהוא כבר מזהה
איך להבין כמה מאלה בעצמו.
14:50
We can then use this conceptמוּשָׂג
of similarדוֹמֶה imagesתמונות,
296
878226
2902
אז אנחנו יכולים להשתמש בקונספט הזה
של תמונות דומות,
14:53
and usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני similarדוֹמֶה imagesתמונות, you can now see,
297
881128
2094
ועל ידי שימוש בתמונות דומות,
אתם יכולים עכשיו לראות,
14:55
the computerמַחשֵׁב at this pointנְקוּדָה is ableיכול to
entirelyלַחֲלוּטִין find just the frontsחזיתות of carsמכוניות.
298
883222
4019
שהמחשב בנקודה זו מסוגל
למצוא רק את החזית של מכוניות.
14:59
So at this pointנְקוּדָה, the humanבן אנוש
can tell the computerמַחשֵׁב,
299
887241
2948
אז בנקודה זו,
האדם יכול לומר למחשב,
15:02
okay, yes, you've doneבוצע
a good jobעבודה of that.
300
890189
2293
אוקיי, כן, עשית עבודה טובה.
15:05
Sometimesלִפְעָמִים, of courseקוּרס, even at this pointנְקוּדָה
301
893652
2185
לפעמים, כמובן, אפילו בנקודה זו
15:07
it's still difficultקָשֶׁה
to separateנפרד out groupsקבוצות.
302
895837
3674
זה עדיין קשה להפריד בין קבוצות.
15:11
In this caseמקרה, even after we let the
computerמַחשֵׁב try to rotateלְסוֹבֵב this for a while,
303
899511
3884
במקרה הזה, אפילו אחרי שאנחנו נותנים למחשב
לנסות לסובב זאת למשך זמן מה,
15:15
we still find that the left sidesצדדים
and the right sidesצדדים picturesתמונות
304
903399
3345
אנחנו עדיין מוצאים שהתמונות
של הצדדים השמאלייים והימניים
15:18
are all mixedמעורב up togetherיַחַד.
305
906744
1478
מעורבבות זו בזו.
15:20
So we can again give
the computerמַחשֵׁב some hintsרמזים,
306
908222
2140
אז אנחנו שוב יכולים לתת
למחשב כמה רמזים,
15:22
and we say, okay, try and find
a projectionהַקרָנָה that separatesמפריד out
307
910362
2976
ולהגיד, אוקיי, נסה למצוא
תכנית שמפרידה
15:25
the left sidesצדדים and the right sidesצדדים
as much as possibleאפשרי
308
913338
2607
את צד ימין מצד שמאל עד כמה שניתן
15:27
usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני this deepעָמוֹק learningלְמִידָה algorithmאַלגוֹרִיתְם.
309
915945
2122
על ידי שימוש באלגוריתם הלמידה העמוקה הזה.
15:30
And givingמַתָן it that hintרֶמֶז --
ahאה, okay, it's been successfulמוּצלָח.
310
918067
2942
ואחרי שנתנו לו את הרמז הזה--
אה, אוקיי, הוא הצליח.
15:33
It's managedמנוהל to find a way
of thinkingחושב about these objectsחפצים
311
921009
2882
הוא הצליח למצוא דרך
לחשוב על האובייקטים האלה
15:35
that's separatedמופרד out these togetherיַחַד.
312
923891
2380
שהפרידו את זה יחד.
15:38
So you get the ideaרַעְיוֹן here.
313
926271
2438
אז אתם מבינים את הרעיון פה.
15:40
This is a caseמקרה not where the humanבן אנוש
is beingלהיות replacedהוחלף by a computerמַחשֵׁב,
314
928709
8197
זה לא מקרה שבו האדם מוחלף על ידי המחשב,
15:48
but where they're workingעובד togetherיַחַד.
315
936906
2640
אלא שהם עובדים יחד.
15:51
What we're doing here is we're replacingהחלפה
something that used to take a teamקְבוּצָה
316
939546
3550
מה שאנחנו עושים כאן הוא להחליף
משהו שהיה לוקח לצוות
15:55
of fiveחָמֵשׁ or sixשֵׁשׁ people about sevenשֶׁבַע yearsשנים
317
943096
2002
של חמישה או שישה אנשים
בערך שבע שנים
15:57
and replacingהחלפה it with something
that takes 15 minutesדקות
318
945098
2605
ומחליפים אותו במשהו שלוקח 15 דקות
15:59
for one personאדם actingמשחק aloneלבד.
319
947703
2505
לאדם אחד שפועל לבד.
16:02
So this processתהליך takes about
fourארבעה or fiveחָמֵשׁ iterationsאיטרציות.
320
950208
3950
אז התהליך הזה לוקח בערך
ארבע או חמש חזרות.
16:06
You can see we now have 62 percentאָחוּז
321
954158
1859
אתם רואים עכשיו שיש לנו 62 אחוז
16:08
of our 1.5 millionמִילִיוֹן imagesתמונות
classifiedמְסוּוָג correctlyבצורה נכונה.
322
956017
2959
מ-1.5 מיליון התמונות שלנו
מסווגות נכונה.
16:10
And at this pointנְקוּדָה, we
can startהַתחָלָה to quiteדַי quicklyבִּמְהִירוּת
323
958976
2472
בנקודה זו, אנחנו יכולים
להתחיל די במהירות
16:13
grabלִתְפּוֹס wholeכֹּל bigגָדוֹל sectionsסעיפים,
324
961448
1297
לקחת חלקם גדולים במלואם,
16:14
checkלבדוק throughדרך them to make sure
that there's no mistakesטעויות.
325
962745
2919
לעבור עליהם ולוודא שאין טעויות.
16:17
Where there are mistakesטעויות, we can
let the computerמַחשֵׁב know about them.
326
965664
3952
היכן שישנן טעויות, אנו יכולים
ליידע את המחשב עליהן.
16:21
And usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני this kindסוג of processתהליך
for eachכל אחד of the differentשונה groupsקבוצות,
327
969616
3045
ועל ידי שימוש בסוג זה של תהליך
עבור כל אחת מהקבוצות השונות,
16:24
we are now up to
an 80 percentאָחוּז successהַצלָחָה rateציון
328
972661
2487
אנחנו עכשיו מגיעים ל-80 אחוזי הצלחה
16:27
in classifyingסיווג the 1.5 millionמִילִיוֹן imagesתמונות.
329
975148
2415
בסיווג מיליון וחצי התמונות.
16:29
And at this pointנְקוּדָה, it's just a caseמקרה
330
977563
2078
ובנקודה זו, זהו רק מקרה
16:31
of findingמִמצָא the smallקָטָן numberמספר
that aren'tלא classifiedמְסוּוָג correctlyבצורה נכונה,
331
979641
3579
של מציאת המספר הקטן
שלא מסווג כראוי,
16:35
and tryingמנסה to understandמבין why.
332
983220
2888
ולנסות להבין למה.
16:38
And usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני that approachגִישָׁה,
333
986108
1743
על ידי שימוש בגישה זו,
16:39
by 15 minutesדקות we get
to 97 percentאָחוּז classificationמִיוּן ratesתעריפים.
334
987851
4121
תוך 15 דקות אנו מגיעים
ל-97 אחוזי סיווג.
16:43
So this kindסוג of techniqueטֶכנִיקָה
could allowלהתיר us to fixלתקן a majorגדול problemבְּעָיָה,
335
991972
4600
אז סוג כזה של טכניקה
יכול לאפשר לנו לתקן בעיה גדולה,
16:48
whichאיזה is that there's a lackחוֹסֶר
of medicalרְפוּאִי expertiseמומחיות in the worldעוֹלָם.
336
996578
3036
שהיא שיש חוסר במומחיות רפואית בעולם.
16:51
The Worldעוֹלָם Economicכַּלְכָּלִי Forumפוֹרוּם saysאומר
that there's betweenבֵּין a 10x and a 20x
337
999614
3489
פורום הכלכלה העולמי אומר
שיש בין 10X ו-20X
16:55
shortageמחסור of physiciansרופאים
in the developingמתפתח worldעוֹלָם,
338
1003103
2624
של מחסור ברופאים בעולם המתפתח,
16:57
and it would take about 300 yearsשנים
339
1005727
2113
ושזה ייקח בערך 300 שנה
לאמן מספיק אנשים לתקן את הבעיה הזו.
16:59
to trainרכבת enoughמספיק people
to fixלתקן that problemבְּעָיָה.
340
1007840
2894
17:02
So imagineלדמיין if we can help
enhanceלשפר theirשֶׁלָהֶם efficiencyיְעִילוּת
341
1010734
2885
אז דמיינו אם היינו יכולים
לעזור להגביר את היעילות שלהם
17:05
usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני these deepעָמוֹק learningלְמִידָה approachesגישות?
342
1013619
2839
על ידי שימוש בגישת הלמידה העמוקה הזו?
17:08
So I'm very excitedנִרגָשׁ
about the opportunitiesהזדמנויות.
343
1016458
2232
אז אני מאוד מתרגש מהאפשרויות.
17:10
I'm alsoגַם concernedמודאג about the problemsבעיות.
344
1018690
2589
אני גם מאוד מודאג מהבעיות.
17:13
The problemבְּעָיָה here is that
everyכֹּל areaאֵזוֹר in blueכָּחוֹל on this mapמַפָּה
345
1021279
3124
הבעיה כאן היא שכל איזור בכחול על המפה
17:16
is somewhereאי שם where servicesשירותים
are over 80 percentאָחוּז of employmentתעסוקה.
346
1024403
3769
הוא מקום שבו שירותים
הם מעל ל-80 אחוז מהתעסוקה.
17:20
What are servicesשירותים?
347
1028172
1787
מה זה שירותים?
17:21
These are servicesשירותים.
348
1029959
1514
אלו שירותים.
17:23
These are alsoגַם the exactמְדוּיָק things that
computersמחשבים have just learnedמְלוּמָד how to do.
349
1031473
4154
אלו הם גם בדיוק הדברים שמחשבים
בדיוק למדו איך לעשות.
17:27
So 80 percentאָחוּז of the world'sשל העולם employmentתעסוקה
in the developedמפותח worldעוֹלָם
350
1035627
3804
אז 80 אחוז מהתעסוקה העולמית
בעולם המפותח
17:31
is stuffדברים that computersמחשבים
have just learnedמְלוּמָד how to do.
351
1039431
2532
הם דברים שמחשבים בדיוק למדו איך לעשות.
17:33
What does that mean?
352
1041963
1440
מה זה אומר?
17:35
Well, it'llזה יהיה be fine.
They'llהם יהיו be replacedהוחלף by other jobsמקומות תעסוקה.
353
1043403
2583
ובכן, זה יהיה בסדר.
הן יוחלפו בעבודות אחרות.
17:37
For exampleדוגמא, there will be
more jobsמקומות תעסוקה for dataנתונים scientistsמדענים.
354
1045986
2707
למשל, יהיו יותר עבודות
עבור מדעני נתונים.
17:40
Well, not really.
355
1048693
817
ובכן, לא באמת.
17:41
It doesn't take dataנתונים scientistsמדענים
very long to buildלִבנוֹת these things.
356
1049510
3118
לא לוקח למדענים זמן רב
לבנות את הדברים הללו.
17:44
For exampleדוגמא, these fourארבעה algorithmsאלגוריתמים
were all builtבנוי by the sameאותו guy.
357
1052628
3252
למשל, ארבעת האלגוריתמים האלה
נבנו כולם על ידי אותו אדם.
17:47
So if you think, oh,
it's all happenedקרה before,
358
1055880
2438
אז אם אתם חושבים, הו,
כל זה כבר קרה בעבר,
17:50
we'veיש לנו seenלראות the resultsתוצאות in the pastעבר
of when newחָדָשׁ things come alongלְאוֹרֶך
359
1058318
3808
ראינו את התוצאות בעבר
כאשר דברים חדשים הגיעו
17:54
and they get replacedהוחלף by newחָדָשׁ jobsמקומות תעסוקה,
360
1062126
2252
והם מוחלפים בעבודות חדשות,
17:56
what are these newחָדָשׁ jobsמקומות תעסוקה going to be?
361
1064378
2116
אבל מה העבודות החדשות הללו הולכות להיות?
זה מאוד קשה בשבילנו להעריך זאת,
17:58
It's very hardקָשֶׁה for us to estimateלְהַעֲרִיך this,
362
1066494
1871
18:00
because humanבן אנוש performanceביצועים
growsגדל at this gradualהַדרָגָתִי rateציון,
363
1068365
2739
בגלל שהביצועים האנושיים
גדלים בקצב ההדרגתי הזה,
אבל יש לנו עכשיו מערכת, למידה עמוקה,
18:03
but we now have a systemמערכת, deepעָמוֹק learningלְמִידָה,
364
1071104
2562
18:05
that we know actuallyלמעשה growsגדל
in capabilityיכולת exponentiallyאקספוננציאלית.
365
1073666
3227
שאנחנו יודעים שממש גדלה
ביכולות שלה באופן אקספוננציאלי.
ואנחנו כאן.
18:08
And we're here.
366
1076893
1605
18:10
So currentlyכַּיוֹם, we see the things around us
367
1078498
2061
אז כרגע, אנחנו רואים את הדברים שסביבנו
18:12
and we say, "Oh, computersמחשבים
are still prettyיפה dumbמְטוּמטָם." Right?
368
1080559
2676
ואומרים, "הו, מחשבים
הם עדיין די טיפשים." נכון?
18:15
But in fiveחָמֵשׁ years'שנים ' time,
computersמחשבים will be off this chartטבלה.
369
1083235
3429
אבל תוך חמש שנים,
מחשבים יהיו מחוץ לטבלה הזו.
אז אנחנו צריכים להתחיל לחשוב
על היכולת הזו כבר עכשיו.
18:18
So we need to be startingהחל to think
about this capabilityיכולת right now.
370
1086664
3865
ראינו את זה קורה בעבר, כמובן.
18:22
We have seenלראות this onceפַּעַם before, of courseקוּרס.
371
1090529
2050
במהפכה התעשייתית,
18:24
In the Industrialתַעֲשִׂיָתִי Revolutionמַהְפֵּכָה,
372
1092579
1387
18:25
we saw a stepשלב changeשינוי
in capabilityיכולת thanksתודה to enginesמנועים.
373
1093966
2851
ראינו שינוי משמעותי ביכולות
הודות למנועים.
18:29
The thing is, thoughאם כי,
that after a while, things flattenedשָׁטוּחַ out.
374
1097667
3138
העניין הוא שאחרי זמן מה,
העניינים השתטחו.
18:32
There was socialחֶברָתִי disruptionהפרעה,
375
1100805
1702
הייתה הפרעה חברתית,
18:34
but onceפַּעַם enginesמנועים were used
to generateלִיצוֹר powerכּוֹחַ in all the situationsמצבים,
376
1102507
3439
אבל ברגע שהשתמשו במנועים על מנת
לייצר חשמל בכל המצבים,
18:37
things really settledמְיוּשָׁב down.
377
1105946
2354
דברים התחילו להירגע.
18:40
The Machineמְכוֹנָה Learningלְמִידָה Revolutionמַהְפֵּכָה
378
1108300
1473
מהפיכת הלמידה החישובית
18:41
is going to be very differentשונה
from the Industrialתַעֲשִׂיָתִי Revolutionמַהְפֵּכָה,
379
1109773
2909
הולכת להיות שונה מאוד
מהמהפיכה התעשייתית,
18:44
because the Machineמְכוֹנָה Learningלְמִידָה Revolutionמַהְפֵּכָה,
it never settlesמתיישב down.
380
1112682
2950
כיוון שמהפיכת הלמידה החישובית,
היא לעולם לא נרגעת.
18:47
The better computersמחשבים get
at intellectualאִינטֶלֶקְטוּאַלִי activitiesפעילויות,
381
1115632
2982
ככל שמחשבים יהיו יותר טובים
בפעילוית אינטלקטואליות,
18:50
the more they can buildלִבנוֹת better computersמחשבים
to be better at intellectualאִינטֶלֶקְטוּאַלִי capabilitiesיכולות,
382
1118614
4248
כך הם יכולים לבנות מחשבים טובים יותר
שיהיו טובים יותר ביכולות אינטלקטואליות,
18:54
so this is going to be a kindסוג of changeשינוי
383
1122862
1908
אז זה הולך להיות סוג של שינוי
18:56
that the worldעוֹלָם has actuallyלמעשה
never experiencedמְנוּסֶה before,
384
1124770
2478
שהעולם למעשה לא חווה מעולם,
18:59
so your previousקודם understandingהֲבָנָה
of what's possibleאפשרי is differentשונה.
385
1127248
3306
אז ההבנה הקודמת שלכם
של מה אפשרי, היא שונה.
19:02
This is alreadyכְּבָר impactingהשפעה us.
386
1130974
1780
זה כבר מכה בנו.
19:04
In the last 25 yearsשנים,
as capitalעיר בירה productivityפִּריוֹן has increasedמוּגדָל,
387
1132754
3630
ב-25 השנים האחרונות,
כשפריון ההון הולך וגדל,
19:08
laborעבודה productivityפִּריוֹן has been flatשָׁטוּחַ,
in factעוּבדָה even a little bitbit down.
388
1136400
4188
פריון העבודה נשאר שטוח,
למעשה אפילו מעט ירד.
19:13
So I want us to startהַתחָלָה
havingשיש this discussionדִיוּן now.
389
1141408
2741
אז אני רוצה שאנחנו נתחיל
לנהל את הדיון הזה כעת.
19:16
I know that when I oftenלעתים קרובות tell people
about this situationמַצָב,
390
1144149
3027
אני יודע שהרבה פעמים כשאני
מספר לאנשים על המצב הזה,
19:19
people can be quiteדַי dismissiveדוחה.
391
1147176
1490
אנשים יכולים לבטל אותי.
19:20
Well, computersמחשבים can't really think,
392
1148666
1673
ובכן, מחשבים לא יכולים ממש לחשוב,
19:22
they don't emoteemote,
they don't understandמבין poetryשִׁירָה,
393
1150339
3028
הם לא מביעים רגשות,
הם לא מבינים שירה,
19:25
we don't really understandמבין how they work.
394
1153367
2521
אנחנו לא ממש מבינים איך הם עובדים.
19:27
So what?
395
1155888
1486
אז מה?
19:29
Computersמחשבים right now can do the things
396
1157374
1804
מחשבים כרגע יכולים לעשות את הדברים
19:31
that humansבני אנוש spendלְבַלוֹת mostרוב
of theirשֶׁלָהֶם time beingלהיות paidשילם to do,
397
1159178
2719
שבני אדם מקבלים תשלום
לעשות במשך רוב חייהם,
19:33
so now'sעכשיו זה the time to startהַתחָלָה thinkingחושב
398
1161897
1731
אז עכשיו הזמן להתחיל לחשוב
19:35
about how we're going to adjustלְהַתְאִים our
socialחֶברָתִי structuresמבנים and economicכַּלְכָּלִי structuresמבנים
399
1163628
4387
על איך אנחנו הולכים להתאים את
המבנים החברתיים והכלכליים שלנו
19:40
to be awareמוּדָע of this newחָדָשׁ realityמְצִיאוּת.
400
1168015
1840
כך שיהיו מודעים למציאות החדשה הזו.
19:41
Thank you.
401
1169855
1533
תודה.
19:43
(Applauseתְשׁוּאוֹת)
402
1171388
802
(מחיאות כפיים)
Translated by Shir Ben Asher
Reviewed by zeeva Livshitz

▲Back to top

ABOUT THE SPEAKER
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives.

Why you should listen

Jeremy Howard is the CEO of Enlitic, an advanced machine learning company in San Francisco. Previously, he was the president and chief scientist at Kaggle, a community and competition platform of over 200,000 data scientists. Howard is a faculty member at Singularity University, where he teaches data science. He is also a Young Global Leader with the World Economic Forum, and spoke at the World Economic Forum Annual Meeting 2014 on "Jobs for the Machines."

Howard advised Khosla Ventures as their Data Strategist, identifying opportunities for investing in data-driven startups and mentoring portfolio companies to build data-driven businesses. He was the founding CEO of two successful Australian startups, FastMail and Optimal Decisions Group.

More profile about the speaker
Jeremy Howard | Speaker | TED.com